在 Obsidian 中对书籍、论文或读书笔记进行科目分类，是一项非常适合引入 AI 和自动化工具的任务。单靠手动分类不仅低效，而且随着藏书增加，分类标准很容易前后不一致（比如一本书既属于“商业”又属于“定量分析”）。
目前社区里有几种非常成熟的方案，可以帮你实现从元数据抓取、AI 自动研判分类、再到自动归档的全流程。
方案一：Book Search + AI 插件（最推荐的半自动工作流）
这是目前最优雅的组合。先用官方/社区工具把书籍的标准元数据（Metadata）抓下来，再让 AI 帮你分类。
1. 基础信息抓取：Book Search 插件
- 怎么用： 安装后，只需在 OB 中按下快捷键并输入书名或 ISBN 号，它就会自动从 Google Books、豆瓣等数据源抓取出版信息。
- 效果： 自动为你生成包含书名、作者、出版日期、封面图以及一小段简介（Description）的笔记。
2. AI 自动科目研判：Text Generator / Copilot
当你有了书籍简介后，不需要自己读完再去想它属于什么科目。可以利用 Text Generator 编写一个简单的快捷键模板，或者直接在 Copilot 侧边栏框选简介：
实战提示词（Prompt）：
“请阅读以下书籍的简介，根据杜威十进制分类法或通用的互联网技术/商业/人文科目体系，为这本书生成 1-2 个最精准的二级科目标签，格式为：科目/子科目。并且在 Frontmatter 中填入category:字段。”
AI 会秒速识别并填好元数据，例如把《Python 神经网络》归类为 tags: #技术/人工智能/深度学习。
方案二：Smart Connections（纯 AI 语义相似度自动归类）
如果你手里已经有几百篇散落的读书笔记，不想挨个去打标签，可以用语义向量来做分类。
- 核心逻辑： 建立几个标准的“科目核心笔记”（例如建立一个叫
量子力学.md、定量仓储管理.md或泰语商务口语.md的空笔记，里面放几句该科目的核心定义）。 - 自动化体验： 当你导入一本新书的笔记时，打开 Smart Connections 侧边栏，它会计算两篇文章的数学距离（Embedding 相似度），直接告诉你：“这本新书与你库中的
[定量仓储管理]笔记有 0.89 的相似度”。你顺着它的推荐一键点击建立链接或归类即可。
方案三：Auto Note Mover（基于标签的强自动化文件归档）
AI 帮我们把科目标签（Tag）或属性（Property）判定好之后，如果你有“强迫症”，希望书籍笔记能自动飞进对应的文件夹里（例如自动从 收件箱/ 移到 Books/商业/定量分析/），你需要配合这个本地自动化工具。
- 怎么用：
- 在
Auto Note Mover插件设置里建好规则。 - 例如：只要笔记中包含
#书籍/计算机标签，或者 Frontmatter 里的category是Computer。 - 效果： 只要 AI 一打上这个标签，插件会在后台瞬间把该笔记移动到你指定的物理文件夹中，完全不需要手动拖拽。
终极全自动极客玩法：本地 Python 脚本 / MCP 托管
如果你有编程基础，且库里有大量的电子书（PDF/EPUB/Markdown 格式），你可以彻底脱离 Obsidian 的 UI 限制：
- 写一个简单的 Python 脚本，调用本地的 Ollama (如 DeepSeek-R1 / Llama3 模块)。
- 遍历你存放书籍的文件夹，读取每本书的前 2000 个字（或者用
pypdf提取目录和前言）。 - 让本地大模型直接输出 JSON 格式的分类结果：
{
"title": "书名",
"main_subject": "工业自动化",
"sub_subject": "机器视觉"
}
4. 脚本自动在对应 Markdown 笔记的文头写入这些科目元数据。当你重新打开 Obsidian 时，几千本书已经分门别类，整整齐齐。
**我的建议：** 先从 **Book Search + Copilot 提示词** 开始尝试。当你发现 AI 给出的分类标签越来越精准、越来越符合你的心意时，再考虑用 `Auto Note Mover` 让它们自动进文件夹。